投稿来源：四川交通职业技术学院|数据风暴团队
研究背景
中国的网上零售额已达全球第一，包裹投递量迅速增加，配送行业也得到了迅猛发展，但服务质量和配送速度仍然有待进一步提升。时间可以缩短，消费者的需求亦可满足，我们就是在这样的背景下，致力于缓解配送员、商家和消费者三者之间的矛盾。
研究目的
在大数据引导社会潮流的当下，为解决末端配送存在已久的问题，作品通过末端配送数据来分析配送特征、路径网络等问题，并着手进行分析优化。
数据准备
数据分析成果展示
1.大数据总体数值分析
利用长风多维分析平台MAP中各种工具进行处理后所得数据汇总。
2.Access数据库探究数据间的关系
3.网点与其负责配送点的关系分析
使用不同的颜色标识在Dark Map上进行颜色渲染展示，直观地得出该区域内网点的辐射面积、配送点密度等信息。
4.网点与配送点地理位置分析
利用Geo地图对网点进行展示，加以使用群集数值展示，探究网点密度特征与城建关系。
5.滤网图探究经纬分布特征
利用滤网图工具将配送点在抽象地图上进行展示，并将业务量最多地区单列展示。
6.电商订单配送量研究
将各网点的包裹量进行分段处理与累计，可见最高业务量网点A025能达到8122个包裹，而最低的仅有243个包裹，有近34倍包裹量的差距。在作品中对极端配送点所呈现的特征进行了分析，也对各自网点的实际情况给予了解决方案。
7.K-means聚类分析
基于同城O2O订单的配送点、订单量进行 K-means 聚类分析，设定簇数量。既要保证分布图重合度适度、不杂乱也要使其展现出订单规律。聚类后，分析了各类的密度、跨度特征以及城配业务差异。从而对流程设计、资源组织进行调整。
8.Box plot箱子图分析
利用Box plot箱子图工具分析经纬度箱子图垂线重合度，重合度越高就代表着网点彼此业务相似度越高，则需要进行优化。再将左边经度箱子图和右边纬度箱子图横向对比，以立体的思维解析，帮助我们更好的确定网点位置。
9.大数据总体数值分析
除此之外，作品中还有“配送经纬度以及配送订单数量的关系分析”、“同城O2O单笔订单所含包裹量分析”、“时间段与订单密度的关系特征分析”等。利用了3个方法、7个工具、12个组件；
探究了数据呈现的10个关系，得到了24张分析图，在作品中也根据数据图所反映的现象进行了阐述分析，对数据所呈现的配送问题给出了不同的解决方案。充分发挥了末端配送大数据的功能、展现了大数据的力量。
数据优化求解
1.数据清洗
数据清洗是进行优化的第一步。将数据中的噪声网点进行了过滤，再挑选出数据样本进行优化求解。
2.坐标优化-重心法
在坐标优化上使用了重心法，同时对重心法设立了相应的模型，将各个物流节点的运输费用、货物量以及直线距离加入到数学模型中，得到了相应的目标函数。
3.坐标优化-AHP法
为了解决重心法所存在的不足，在重心法基础上再使用了AHP法，AHP即通过把复杂问题加入各种因素，通过划分为相互联系的有序层次，使之更为条理化。
首先需要建立层次模型、再利用Python进行经纬度坐标转换、构造成对比较矩阵、再计算权向量，最后进行一致性检验、加入层次排名，数个步骤后得到相应的结果。
4.综合利用
最后再将重心法作为底层，同时加入AHP权值一同代入进行计算，最后得出优化后的网点位置。
部分代码展示
对本作品所用的Python经纬度坐标转化的部分代码、AHP层次分析法部分代码、Matlab重心法计算部分代码进行展示。
未来展望
在作品的展望板块中加入了多达7个的创新试验，希望通过这种方式能更好的展示未来客户的需求，也阐述了我们对未来末端配送的期望。
总结
本文采用重心法、AHP、K-Means聚类等方法并利用PMT、MAP、Python、Matlab、Access、Excel等工具从对配送坐标从设立模型到优化求解。运用公式计算出标准化、数据化的坐标点和路径，并进行检验，经优化后的路径降低了不少配送难度系数，更是证明了建设好城市末端配送的必要，并可以更好地满足客户对末端配送的要求，从而提升物流末端配送的价值。
我们也希望所做的一切能为城市末端配送优化贡献一点绵薄之力，为决策者提供优化思路和数据分析的样本，为长风大数据在教育教学的应用以及社会实践落地，贡献其中一份子的力量。
小彩蛋
数据风暴团队倾情奉献参赛小视频，期待更多团队加入长风大家族，下一届长风杯期待你们的参与！
